CN108834170B - 无线传感器网络链路质量评估方法 - Google Patents
无线传感器网络链路质量评估方法 Download PDFInfo
- Publication number
- CN108834170B CN108834170B CN201810815661.8A CN201810815661A CN108834170B CN 108834170 B CN108834170 B CN 108834170B CN 201810815661 A CN201810815661 A CN 201810815661A CN 108834170 B CN108834170 B CN 108834170B
- Authority
- CN
- China
- Prior art keywords
- link quality
- model
- parameters
- encoder
- physical layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线传感器网络链路质量评估方法,具体是采用堆栈自编码器的链路质量评估方法,该方法首先通过对原始数据进行预处理;然后将处理后的数据采用堆栈自编码器分别对常见同一物理层参数的上、下行以及不同物理层参数之间进行特征提取处理;利用提取到的高阶特征构建链路质量参数与链路质量等级之间的映射模型。最后通过有效性及稳定性评估整个评估模型性能。本发明方法优点在于采用原始的上、下行数据而非单向的链路质量参数,寻找原始值与链路质量之间关系,有效减少原始特征丢失。并且利用深度学习模型对参数进行特征提取挖掘参数间的深层信息,提高链路质量评估的准确性和稳定性。
Description
技术领域
本发明涉及无线传感器网络链路质量评估技术领域,特别是涉及一种无线传感器网络链路质量评估方法。
背景技术
无线传感器网络(Wireless sensor networks,WSNs)是由大量部署在监测区域内大量的微型传感器节点组成,通过无线通信的方式形成的一种多跳自组织网络。稳定可靠的链路质量评估可以保障数据的可靠传输,提高整网的吞吐率,有效的降低节点的能耗,进而延长整个网络的寿命。
但传感器节点的资源受限,节点间通信采用的是低功率的无线电波,由于无线电波的特性以及监测区域的影响,特别是多径效应以及环境噪声的干扰,影响通信质量,节点间链路质量呈现出方向性,非对称性,波动性,突发性,以及通信“灰区”等时空特性,使得节点间通信具有随机性和不稳定性,导致数据包在传输过程中丢包情况的出现。
目前,现有技术中,关于无线传感器网络链路质量评估方法主要可以分为:基于链路特性的链路质量评估、基于统计学的链路质量评估、基于机器学习的链路质量评估。现有的链路质量评估方法大都仅考虑单向的链路质量参数或对链路质量参数进行平滑处理,都将在一定程度上忽略了链路质量信息,导致原始特征丢失,影响了链路质量评估的准确性和稳定性。
发明内容
为解决上述无线传感器网络中链路质量评估方法存在的问题,本发明提供了一种无线传感器网络链路质量评估方法,具体是采用堆栈自编码器的链路质量评估方法。
一种无线传感器网络链路质量评估方法,首先通过填充的方式对丢包情况所产生的缺失值进行预处理;其次,采用堆栈自编码器对参数进行特征提取;然后通过划分链路质量等级方式将链路质量评估问题转化为分类问题,利用支持向量分类机进行分类;最后通过有效性和稳定性对模型性能进行综合评估,具体包括如下步骤:
S1,对无线链路质量物理层参数进行预处理:对由于丢包情况所产生的缺失值进行有效表征;
S2,采用堆栈自编码器分别对同一无线链路质量物理层上、下行参数之间进行特征提取,然后采用堆栈自编码器对得到的不同物理层参数特征再次进行特征提取,得到最高阶特征;
S3,堆栈自编码器后接入支持向量分类机,将步骤S2得到的最高阶特征作为支持向量分类机的输入,进行模型训练;
S4,通过定义的准确率以及定义的稳定性等级对模型性能进行评估。
其中,步骤S1具体包括:对每个探测周期内的每个位置丢包情况预处理方式,采用的是零值填充方式对该丢包位置进行表征;零值填充方法具体包括以下步骤:
S11,从数据样本中获取数据中的每个周期内的消息序列构成集合D;
S12,创建一个集合A,集合A中元素为所需全部消息序列;
S13,将消息序列集合D与集合A进行对比;
S14,如果集合D中的元素在集合A中,则保留该位置上的参数的原始值,否则将该消息序列对应位置的评估参数值进行赋值0。
其中,步骤S2中,采用堆栈自编码器进行特征提取的步骤具体包括:
S21,对每个周期原始数据预处理完之后,将每个周期内同一个物理层参数的上、下行按序列进行拼接,将拼接后的不同物理层参数分别作为堆栈自编码器的输入进行特征提取;
S22,分别将步骤S21提取的高阶特征取出,即得到RSSI的高阶特征、LQI的高阶特征以及SNR的高阶特征;
S23,将提取出来的三个物理层参数的高阶特征再次作为堆栈自编码器的输入进行特征提取训练,将得到的高阶特征作为整个模型的最高阶特征。
其中,步骤S3为通过划分链路质量等级方式将链路质量评估问题转化为分类问题,利用支持向量分类机进行分类,步骤S3具体包括:
S31,根据PRR将无线传感器网络链路质量划分为五个等级;
S32,将通过堆栈自编码器进行特征提取得到的最高阶特征作为支持向量分类机的输入,以每个探测周期内根据PRR划分的等级值作为支持向量分类机的标签,进行模型训练。
其中,步骤S4具体包括:
S41,准确率的定义为:分类正确的样本数除以总样本数,通过准确率验证模型有效性;
S42,定义ai为当前时刻的链路质量,ai+1下一时刻链路质量,评估模型的稳定性定义为给定某个较小的干扰,如果在该干扰下,链路发生n个等级范围的突变,即|ai+1-ai|=n,并且ai+1后面几个连续时刻与ai链路质量保持相等,即只有当前时刻发生突变,而评估模型在当前时刻不随之改变,保持上一刻的评估结果,模型对该种突变不进行实时反应,则称为n级稳定,其中n值为1或2或3或4,并且1级稳定评估模型表现最佳。
与现有技术相比,本发明有益效果体现在:
采用原始的上下行数据而非单向的链路质量参数或对链路质量参数进行平滑处理,寻找原始值与链路质量之间关系,有效减少原始特征丢失。并且利用深度学习模型对参数进行特征提取挖掘参数间的深层信息,提高链路质量评估的准确性和稳定性。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明的链路质量评估模型整体结构图;
图2为采用零值填充LQI的第三序列缺失信息的一个周期输入效果图;
图3为本发明中采用的堆栈自编码器结构图;
图4为四种不同实验场景下采用零值填充方式与均值填充准确率表现对比效果图;
图5为本发明链路质量评估模型与基于支持向量分类机的评估模型在四种不同实验场景下准确率表现对比效果图;
图6为本发明在不同距离干扰条件下模型评估效果图;
图7为本发明在1m干扰条件下模型评估链路等级与真实链路等级对比效果图;
图8为本发明在5m干扰条件下模型评估链路等级与真实链路等级对比效果图。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
本发明的优选实施例以CrossBow公司的TelosB节点在不同实验场景下组成网络为例,对本发明的无线传感器网络链路质量评估方法进行说明,其具体的实施方式如下:
S1,对无线链路质量物理层参数进行预处理:对由于丢包情况所产生的缺失值进行有效表征,具体为对每个探测周期内的每个位置丢包情况预处理方式,采用的是零值填充方式对该丢包位置进行表征;
因为在深度学习模型中,如果值为0,即表示该位置不参加训练过程,请参阅图4,与其他填充方式相比更符合无线传感器网络的丢包情况。所以本发明采用零值代表丢包情况出现时的值。零值填充方法具体步骤如下:
S11,从数据样本中,获取数据中的每个周期内的消息序列构成集合D;
S12,创建一个集合A,集合中元素为所需全部消息序列{1,2,3,4……28,29,30};
S13,将消息序列集合D与集合A进行对比;
S14,如果集合D中的元素在集合A中,则保留该位置上的参数的原始值,否者将该消息序列对应位置的评估参数值全部进行赋值0。
步骤S2:采用堆栈自编码器对参数进行特征提取,请参阅图1和图3,具体为采用堆栈自编码器分别对同一无线链路质量物理层上、下行参数之间进行特征提取,然后采用堆栈自编码器对得到的不同物理层参数特征再次进行特征提取,得到最高阶特征;
考虑到非对称性选取常用物理层上下行参数RSSIup、RSSIdown、LQIup、LQIdown、SNRup、SNRdown,其中RSSIup表示上行RSSI、RSSIdown表示下行RSSI;LQIup表示上行LQI、LQIdown表示下行LQI;SNRup表示上行SNR、SNRdown表示下行SNR。采用堆栈自编码器分别对同一无线链路质量物理层上、下行参数之间进行特征提取,即提取RSSIup和RSSIdown之间的深层特征、LQIup和LQIdown之间的深层特征、SNRup和SNRdown之间的深层特征。然后采用堆栈自编码器对特征提取后的不同物理层参数再次进行特征提取。具体步骤如下:
S21,对每个探测周期原始数据进行归一化处理完之后,分别将一个周期内的同一物理层参数的上、下行作为堆栈自编码器的输入进行特征提取。将同一时刻的上、下行数据拼接作为输入即RSSIup和RSSIdown之间拼接、LQIup和LQIdown之间拼接、SNRup和SNRdown之间拼接。由于本发明一个探测周期接收30个数据包即每个特征提取过程都将60维的数据作为输入格式如图2所示;采用Xavier进行参数权值初始化;隐层数以及隐层节点数通过控制变量的实验方式确定,本发明采用11个隐层分别提取RSSIup和RSSIdown之间、LQIup和LQIdown之间、SNRup和SNRdown之间的特征,每层隐层节点分别为{25、15、10、6、3、1、3、6、10、15、25}。本发明认为当损失函数达到最小时,隐层节点数以及隐层数达到最优;本发明采用softplus作为激活函数,表达式为;采用改进型的MSE作为损失函数,表达式如下所示:
其中,ytrue表示的是真实值,ypred表示的是经过自编码器重构出来的值,eps为接近零的常数,当训练数据为0时,该数据点的误差为0,当其不为0时误差值与变形前基本保持一致。避免训练时缺省值对模型的干扰。N为6606即6606条训练数据。本发明在室内走廊场景下具体实施SNR的MSEnew为4.6,RSSI的MSEnew为3.5,LQI的MSEnew为0.001。
S22,将常用物理层上、下行参数分别通过步骤S21进行特征提取,并将步骤S21提取的高阶特征分别取出,即得到RSSI的高阶特征、LQI的高阶特征以及SNR的高阶特征。
S23,将提取出来的三个物理层参数的高阶特征再次作为堆栈自编码器的输入再次进行特征提取训练,将得到的最高阶特征作为整个模型的最高阶特征。采用一个隐层提取RSSI高阶特征、LQI高阶特征和SNR高阶特征三个参数之间的特征,隐层节点数为1。总体MSEnew为678。
步骤S3:堆栈自编码器后接入支持向量分类机,将步骤S2得到的最高阶特征作为支持向量分类机的输入,进行模型训练,通过划分链路质量等级方式将链路质量评估问题转化为分类问题,利用支持向量分类机进行分类,该步骤具体包括:
S31,根据PRR将无线传感器网络链路质量等级分为五个等级。具体如表1如示:
表1基于PRR的链路质量等级划分
S32,将经过堆栈自编码器特征提取得到的最高阶特征作为支持向量分类机的输入,将每个探测周期内根据PRR划分的链路质量等级值作为支持向量分类机的标签,进行模型训练。
步骤S4:通过定义的准确率以及定义的稳定性等级对模型性能进行评估,具体包括:
S41,准确性的定义为:分类正确的样本除以总样本数。其中分类正确的样本指的是采用本发明提出的模型得到的链路质量等级与真实的链路质量等级相同。对实验样本进行统计计算准确率,验证模型的有效性。本实施针对2832条数据进行测试的准确率为95.76%,具体可参阅图5。
S42,定义中的较小干扰在实际部署中通过其他节点对目标节点进行干扰实现。针对单个节点对目标节点干扰,通过干扰节点与目标节点的距离调节干扰大小,分别设置了干扰节点与目标节点在相同位置、干扰节点与目标节点相距1m、干扰节点与目标节点相距3m、干扰节点与目标节点相距5m、干扰节点与目标节点相距10m五种情况。通过定义中的对链路突发时的模型的实时反应验证模型的稳定性。请参阅图6至图8,本发明实施中在五种干扰中均绝大部分处于1级稳定,小数处于2级稳定。
本发明提供的无线传感器网络中链路质量评估方法,采用原始的上下行数据而非单向的链路质量参数或对链路质量参数进行平滑处理,寻找原始值与链路质量之间关系,有效减少原始特征丢失。并且利用深度学习模型对参数进行特征提取挖掘参数间的深层信息,提高链路质量评估的准确性和稳定性。
以上所述实施例仅表达了本发明的一种或几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (1)
1.一种无线传感器网络链路质量评估方法,其特征在于,首先通过填充的方式对丢包情况所产生的缺失值进行预处理;其次,采用堆栈自编码器对参数进行特征提取;然后通过划分链路质量等级方式将链路质量评估问题转化为分类问题,利用支持向量分类机进行分类;最后通过有效性和稳定性对模型性能进行综合评估,具体包括如下步骤:
S1,对无线链路质量物理层参数进行预处理:对由于丢包情况所产生的缺失值进行有效表征;
S2,采用堆栈自编码器分别对同一无线链路质量物理层上、下行参数之间进行特征提取,然后采用堆栈自编码器对得到的不同物理层参数特征再次进行特征提取,得到最高阶特征;
S3,堆栈自编码器后接入支持向量分类机,将步骤S2得到的最高阶特征作为支持向量分类机的输入,进行模型训练;
S4,通过定义的准确率以及定义的稳定性等级对模型性能进行评估;
其中,步骤S1中,对每个探测周期内的每个位置丢包情况预处理方式,采用的是零值填充方式对该丢包位置进行表征,零值填充方法具体步骤如下:
S11,从数据样本中,获取数据中的每个周期内的消息序列构成集合D;
S12,创建一个集合A,集合中元素为所需全部消息序列;
S13,将消息序列集合D与集合A进行对比;
S14,如果集合D中的元素在集合A中,则保留该位置上的参数的原始值,否者将该消息序列对应位置的评估参数值全部进行赋值0;
步骤S2具体包括:
S21,对每个探测周期原始数据进行归一化处理完之后,分别将一个周期内的同一物理层参数的上、下行作为堆栈自编码器的输入进行特征提取,将同一时刻的上、下行数据拼接作为输入即RSSIup和RSSIdown之间拼接、LQIup和LQIdown之间拼接、SNRup和SNRdown之间拼接;
S22,将常用物理层上、下行参数分别通过步骤S21进行特征提取,并将步骤S21提取的高阶特征分别取出,即得到RSSI的高阶特征、LQI的高阶特征以及SNR的高阶特征;
S23,将提取出来的三个物理层参数的高阶特征再次作为堆栈自编码器的输入再次进行特征提取训练,将得到的最高阶特征作为整个模型的最高阶特征,采用一个隐层提取RSSI高阶特征、LQI高阶特征和SNR高阶特征三个参数之间的特征,隐层节点数为1,总体MSEnew为678;
步骤S3具体包括:
S31,根据PRR将无线传感器网络链路质量等级分为五个等级;
S32,将经过堆栈自编码器特征提取得到的最高阶特征作为支持向量分类机的输入,将每个探测周期内根据PRR划分的链路质量等级值作为支持向量分类机的标签,进行模型训练;
步骤S4具体包括:
S41,准确性的定义为:分类正确的样本除以总样本数,通过准确率验证模型的有效性;
S42,定义ai为当前时刻的链路质量,ai+1下一时刻链路质量,评估模型的稳定性定义为给定某个较小的干扰,如果在该干扰下,链路发生n个等级范围的突变,即|ai+1-ai|=n,并且ai+1后面几个连续时刻与ai链路质量保持相等,即只有当前时刻发生突变,而评估模型在当前时刻不随之改变,保持上一刻的评估结果,模型对该种突变不进行实时反应,则称为n级稳定,其中n值为1或2或3或4,并且1级稳定评估模型表现最佳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810815661.8A CN108834170B (zh) | 2018-07-24 | 2018-07-24 | 无线传感器网络链路质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810815661.8A CN108834170B (zh) | 2018-07-24 | 2018-07-24 | 无线传感器网络链路质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108834170A CN108834170A (zh) | 2018-11-16 |
CN108834170B true CN108834170B (zh) | 2021-04-13 |
Family
ID=64141110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810815661.8A Active CN108834170B (zh) | 2018-07-24 | 2018-07-24 | 无线传感器网络链路质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108834170B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110519788B (zh) * | 2019-07-18 | 2022-07-26 | 浙江工业大学 | 一种物理环境传感器辅助的无线通信链路质量估计方法 |
CN110996341B (zh) * | 2020-03-02 | 2020-06-23 | 南京感深科技有限公司 | 一种跨协议干扰下的低功率无线链路质量估计方法 |
CN111988814A (zh) * | 2020-08-31 | 2020-11-24 | 南昌航空大学 | 一种采用改进变分自编码器评估链路质量的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392244A (zh) * | 2014-12-11 | 2015-03-04 | 哈尔滨工业大学 | 基于堆栈自动编码机的合成孔径雷达图像分类方法 |
CN106372653A (zh) * | 2016-08-29 | 2017-02-01 | 中国传媒大学 | 一种基于堆栈式自动编码器的广告识别方法 |
CN107302768A (zh) * | 2017-07-31 | 2017-10-27 | 南昌航空大学 | 一种采用超限学习机综合评估链路质量的方法 |
WO2018125686A2 (en) * | 2016-12-30 | 2018-07-05 | Intel Corporation | Methods and devices for radio communications |
-
2018
- 2018-07-24 CN CN201810815661.8A patent/CN108834170B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392244A (zh) * | 2014-12-11 | 2015-03-04 | 哈尔滨工业大学 | 基于堆栈自动编码机的合成孔径雷达图像分类方法 |
CN106372653A (zh) * | 2016-08-29 | 2017-02-01 | 中国传媒大学 | 一种基于堆栈式自动编码器的广告识别方法 |
WO2018125686A2 (en) * | 2016-12-30 | 2018-07-05 | Intel Corporation | Methods and devices for radio communications |
CN107302768A (zh) * | 2017-07-31 | 2017-10-27 | 南昌航空大学 | 一种采用超限学习机综合评估链路质量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108834170A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108834170B (zh) | 无线传感器网络链路质量评估方法 | |
US10911318B2 (en) | Future network condition predictor for network time series data utilizing a hidden Markov model for non-anomalous data and a gaussian mixture model for anomalous data | |
Onireti et al. | A cell outage management framework for dense heterogeneous networks | |
US20200211721A1 (en) | METHOD AND APPARATUS FOR DETERMINING AN IDENTITY OF AN UNKNOWN INTERNET-OF-THINGS (IoT) DEVICE IN A COMMUNICATION NETWORK | |
CN110324170B (zh) | 数据分析设备、多模型共决策系统及方法 | |
CN109462521B (zh) | 一种适用于源网荷互动工控系统的网络流量异常检测方法 | |
WO2022057321A1 (zh) | 异常链路检测方法、装置及存储介质 | |
US20210241441A1 (en) | Methods, Apparatus and Computer-Readable Mediums Relating to Detection of Cell Conditions in a Wireless Cellular Network | |
Wang et al. | An ensemble learning approach for fault diagnosis in self-organizing heterogeneous networks | |
US20220052827A1 (en) | Signaling for a channel state information reference signal (csi-rs) | |
CN112243249A (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
Moysen et al. | On the potential of ensemble regression techniques for future mobile network planning | |
US11929853B2 (en) | Data-driven probabilistic modeling of wireless channels using conditional variational auto-encoders | |
US20220167183A1 (en) | Detecting interference in a wireless network | |
US11616582B2 (en) | Neural network-based spatial inter-cell interference learning | |
Rassam et al. | One-class principal component classifier for anomaly detection in wireless sensor network | |
Ganjalizadeh et al. | Interplay between distributed AI workflow and URLLC | |
Bakri et al. | Channel stability prediction to optimize signaling overhead in 5G networks using machine learning | |
Ahmed et al. | Predicting high delays in mobile broadband networks | |
CN115334005A (zh) | 基于剪枝卷积神经网络和机器学习的加密流量识别方法 | |
Bian et al. | Rate Adaptation Algorithm with LSTM in IEEE 802.11 ac | |
WO2023070486A1 (en) | Channel state feedback for reduced resource consumption reference signals | |
Le-Minh et al. | A lightweight Machine-learning based Wireless Link Estimation for IoT devices | |
WO2024038556A1 (ja) | 情報処理装置、情報処理方法、情報処理システム、コンピュータ可読媒体、及び生成方法 | |
Ge | Distinguished capabilities of Artificial Intelligence wireless communication systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |